文本分类是指按照预先定义的主题类别,为文本集合中的每个文本确定一个类别。随着文本信息数量的快速增长,特别是互联网上海量文本信息的产生,自动文本分类技术已经成为组织和处理海量文本数据的关键技术,通过自动文本分类技术把文本进行归类,可以帮助人们更好地寻找所需要的信息和知识。本文针对海量文本信息分类处理的准确率需要提高的问题,研究了把“传统的文本特征项提取的贝叶斯网络文本分类”转换为“对文本的特征关联分析获取关联特征,再应用贝叶斯网络文本分类器进行分类”的方法应用,以达到提高大量文本信息分类的分类正确率。论文通过文本的预处理、文本的表示、特征的选取等,应用Apriori算法挖掘关联特征项,对多个同时在一个文本中频繁出现的单词集合,定义了“关联特征”的概念,在合适的支持度与置信度支持下,获取具有一定代表性质的关联特征,通过用原始的单个单词特征项结合关联特征项作为属性变量,建立了朴素贝叶斯网络文本分类器。论文借助建立的基于关联特征项的朴素贝叶斯网络文本分类器,在20_Newsgroups文本集中选了3个类别的数据做了分类器的性能测试实验,并比较了一般文本特征提取的文本分类过程,研究结果表明,把关联特征项应用到朴素贝叶斯网络文本分类中,使多特征项之间的关联信息也作为分类信息,有效地利用了特征项之间关联所包含的文本类别信息,从而了提高文本分类器的性能。